Il metodo applicato sugli Eugane

Il presente studio è stato svolto tramite programmi informatici per la gestione di dati di tipo spaziale e l’analisi statistica. Sono stati utilizzati i seguenti software di libero accesso: QGIS (QGIS Development Team 2018) e R (R Core Team 2015)

I dati spaziali sono stati elaborati nel seguente sistema di coordinate: codice EPSG: 25833; datum: ETRS 1989; ellissoide: GRS 1980; proiezione: UTM zona 33.

6.4.1 Classificazione della copertura del suolo

Per effettuare la classificazione della copertura del suolo all’interno dell’area di studio è stato scelto di procedere tramite l’analisi delle ortofoto disponibili. La scelta di utilizzare le ortofoto è stata dettata dal fatto che l’obiettivo primario della classificazione è quello di individuare, con una buona approssimazione e ad una scala adeguata, la copertura forestale. L’utilizzo di immagini satellitari multispet- trali è stato scartato per il livello di dettaglio richiesto, mentre quello della nuvola di punti LiDAR è stato scartato in quanto la densità dei punti è troppo rada ai fini di una classificazione strutturale. Inoltre, si è ritenuto opportuno testare l’approc- cio tramite ortofoto in quanto tale tipologia di dato è disponibile, relativamente all’area analizzata, ad intervalli di 3-4 anni, e potrebbe essere pertanto utilizzata per successive analisi relative ai cambiamenti di uso del suolo o a dinamiche legate alla copertura vegetale.

La classificazione di un’ortofoto dell’anno 2006 ha permesso l’individuazione delle superfici boscate, distinguendole da altre superfici vegetate, terreno nudo e superfici antropizzate. Per l’analisi dell’ortofoto si è scelto di utilizzare la modalità di classificazione non supervisionata, tramite l’implementazione dell’algoritmo di clusterizzazione K-means attraverso il software R, utilizzando la funzione “kme- ans” del pacchetto “stats” (R Core Team 2015).

L’algoritmo è stato calibrato tramite l’applicazione ripetuta con la scelta di di- versi parametri di partenza e un’analisi visiva dei risultati, tramite confronto con l’ortofoto, osservando il grado di identificazione ottenuto relativamente alle classi di copertura desiderate. Il parametro maggiormente influente ai fini dell’indivi- duazione della superficie boscata è risultato essere il numero di cluster (classi di copertura) assegnati all’algoritmo da individuare. Alcuni esempi sono visibili nella figura seguente.

Le feature che rappresentano la superficie coperta da vegetazione arborea sono state estratte con l’intento di utilizzarle come una maschera vettoriale per ritaglia- re, successivamente, il modello digitale delle chiome (capitoli seguenti). È stato necessario un lavoro manuale di “pulitura” della maschera ottenuta, prima della conversione a maschera vettoriale, per l’eliminazione di tutti gli individui arborei isolati individuati e non facenti parte della superficie boscata. Il file raster è stato infine convertito in formato vettoriale. Il risultato è una maschera della superficie coperta da vegetazione arborea, data dall’incrocio di due maschere basate sui cri- teri di classificazione delle immagini e di un’altezza minima per l’individuazione di una superficie boschiva.

Dal modello sono stati estratti i pixel aventi valori di altezza maggiori o uguali a 3 m ed è stato così ottenuto il file del modello delle chiome definitivo.

6.4.2 Il LiDAR utilizzato

I dati, trasmessi dal Ministero dell’ambiente e della tutela del territorio e del mare (Geoportale Nazionale 2017), sono di due tipologie:

– nuvola di punti classificata LiDAR: dati acquisiti da piattaforma aerea con il sistema laser-scan ALTM 3100 della società canadese Optech, operante nel vi- cino infrarosso con frequenza dai 33 ai 200 kHz;

– dati in formato raster comprendenti il modello digitale del terreno e il modello digitale della superficie con risoluzione 1 m × 1 m.

Per la stima delle altezze dei popolamenti forestali è stato utilizzato diretta- mente il modello digitale di elevazione fornito, ottenuto dall’estrazione dei punti relativi ai diversi echi di risposta agli impulsi laser emessi dal sensore LiDAR.

6.4.3 Estrazione del modello digitale delle chiome

L’area di studio è stata individuata all’interno della superficie dei Colli Euganei, partendo da 4 tasselli rappresentanti il modello digitale del terreno e il modello digitale delle superfici, scegliendo una superficie rappresentativa del territorio cir- costante, ma di dimensioni non eccessive rispetto alla conseguente dimensione dei dati da processare durante le analisi in ambiente GIS. Per semplificare le analisi e fornire una visualizzazione omogenea, i quattro tasselli individuati sono stati uniti, producendo così due superfici continue. Nel processo di unione i due file raster sono stati riclassificati, in modo da ottenere due modelli digitali perfettamente so- vrapponibili per estensione e per risoluzione (1 m × 1 m).

A questo punto è stata effettuata l’estrazione del modello digitale delle chiome, con la procedura indicata di seguito.

1) Sottrazione algebrica tra modello digitale delle superfici e modello digitale del terreno e produzione del modello digitale delle chiome grezzo (CHMraw). Questo è un raster che rappresenta i valori di altezza di qualsiasi oggetto pre- sente tra la prima superficie individuata dall’impulso laser (ovvero la superficie originata dall’interpolazione dei punti costituenti il primo ritorno dell’impulso laser emesso dal sensore) e l’ultima, senza discriminare l’origine degli oggetti o la distribuzione spaziale.

2) Ritaglio del CHMraw sulla maschera vettoriale della superficie coperta da ve- getazione arborea (§ 6.5.1). Tale operazione permette l’esclusione dei pixel il cui valore di altezza si riferisce ad elementi naturali o manufatti che non sono alberi.

3) Rimozione dei pixel con valori inferiori a zero, tramite l’utilizzo dello strumen- to “raster calculator” di QGIS. Tali valori spesso derivano, seppur in quantità molto limitate, da operazioni di sottrazione o somma tra modelli digitali, in quanto gli strati informativi originali possono presentare talvolta valori di altez- za negativi, dovuti ad imprecisioni nella misurazione, a loro volta generati da morfologie particolari delle superfici colpite, come ad esempio forti pendenze. 4) Rimozione dei pixel con valori inferiori a 3 m. In tale modo si può escludere la

vegetazione arbustiva e arborea di piccola taglia dalle analisi successive.

6.4.4 Estrapolazione delle altezze

La carta della distribuzione delle altezze è stata realizzata in un’area campionaria all’interno dell’area di studio e sono stati applicati gli approcci basati sull’albero (tree based) e quelli basati sulla superficie (area based), con l’obiettivo di estrarre, rispettivamente, le altezze dei singoli alberi e quella media dei popolamenti arborei.

L’approccio basato sul singolo albero (§ 6.2.1) adotta una funzione per l’indi- viduazione degli apici degli individui arborei che applica l’algoritmo di filtraggio a finestra mobile proposto da Popescu e Wynne (2004) ed è stata implementata tramite il software R (R Core Team 2015). L’implementazione di tale algoritmo richiede di “smussare” il modello digitale delle chiome, al fine di eliminare picchi o buchi puntuali che potrebbero pregiudicare il corretto funzionamento dell’algo- ritmo di calcolo. La procedura fa a sua volta uso di una finestra mobile a dimensio- ne variabile, compilata all’interno della funzione “CHMsmoothing” del pacchetto “rLiDAR” (Silva et al. 2015). Ad ogni iterazione, la finestra mobile assegna al pixel centrale il valore medio di altezza calcolato sull’intorno dei pixel coperti dalla fine- stra stessa. La funzione che descrive l’ampiezza della finestra è di tipo lineare ed è proporzionale all’altezza del pixel considerato. La funzione “TreeTopFinder” del pacchetto “ForestTools” (Plowright 2018) individua, tramite una finestra mobile a dimensione variabile, i picchi locali, corrispondenti alle cime delle chiome di indi- vidui arborei o di ceppaie, e genera un file puntuale di tipo vettoriale, assegnando ad ogni feature le coordinate relative all’apice individuato unite all’informazione di altezza estratta dal modello digitale delle chiome.

Le altezze, al fine di evitare distorsioni dei valori legate alla precedente proce- dura di smussamento, vengono ricalcolate, sovrapponendo il layer vettoriale degli apici individuati al file raster originale del modello digitale delle chiome. Infine, i valori puntuali relativi alle altezze individuate sono stati interpolati tramite l’utiliz- zo del metodo “inverse distance weighting”, che fornisce in modo deterministico un’interpolazione dei valori noti basata sulla distanza nello spazio tra i punti da stimare e i punti con valore noto.

L’approccio area based differisce sostanzialmente dal precedente, in quanto il calcolo delle altezze medie non si basa sull’individuazione di specifici valori pun-

tuali che vengono poi interpolati, ma piuttosto su un’area, all’interno della quale tutti i valori dei pixel presenti vengono mediati (§ 6.2.2). Pertanto, l’approccio tree based si propone lo scopo ideale di individuare tutti gli individui arborei presenti sulla superficie; il risultato finale consisterà in valori medi effettivi, ovvero che rap- presentano direttamente l’altezza media delle piante presenti nell’area sulla quale insistono. Per quanto riguarda l’approccio area based, le altezze medie vengono calcolate su base zonale, considerando tutti i pixel all’interno della finestra di cal- colo, indipendentemente da che porzione della pianta determina il loro valore. Di conseguenza, per definizione, il metodo area based tende a sottostimare i valori di altezza media, che necessiteranno di essere sottoposti ad una buona calibrazione tramite i valori che saranno raccolti all’interno di aree di saggio e che rappresente- ranno la “verità a terra”.

Altre strategie di riduzione degli errori di stima prevedono l’individuazione dei quantili relativi alla distribuzione delle altezze sull’intera area analizzata, l’esclusio- ne dei quantili relativi alle classi più basse di altezza, e una implementazione degli algoritmi iniziali sul nuovo layer prodotto.

Nel presente studio è stata creata una mappa della distribuzione delle altezze ottenute applicando una finestra mobile ad ampiezza fissa ad ogni pixel, conte- stualmente al calcolo della media aritmetica tra i valori di tutti i pixel considerati nell’intorno. La finestra utilizzata è di tipo circolare (raggio 10 m), per rendere le elaborazioni facilmente confrontabili con i dati rilevati a terra in aree di saggio circolari dello stesso raggio. Parallelamente, è stata sviluppata una mappa della co- pertura forestale i cui pixel presentano valori percentuali di copertura all’interno di una finestra mobile circolare con raggio 10 m (composta da 314 pixel di 1 m2_).

La finestra mobile è stata implementata su un file raster di tipo binario (valori 0 e 1) estratto dal modello digitale delle chiome, i cui pixel con valore 1 rappresentano la presenza di vegetazione arborea. La funzione applicata all’interno della finestra è la funzione “sum”, che somma il valore dei pixel al suo interno, ottenendo il numero di pixel presenti all’interno della finestra, trasformabile, secondo la scala illustrata nella Tabella 6.1.

Classe di copertura N° pixel con vegetazione Copertura (%)

Molto bassa < 32 < 10

Bassa 32-63 10-20

Media 64-158 21-50

Elevata 159-254 51-80

Molto elevata > 254 > 80

Tabella 6.1. Classi di copertura delle chiome applicate ad una finestra mobile con raggio di

6.4.5 Analisi strutturale degli habitat boschivi e biodiversità

All’interno dell’area di studio sono state individuate 15 aree campione coperte da vegetazione forestale. Di tali aree sono stati estratti i modelli tridimensionali al fine di analizzare la distribuzione verticale degli strati vegetazionali tramite il cal- colo di indici strutturali a partire dalla nuvola di punti.

Dalla nuvola di punti grezza sono stati ritagliati 15 quadrati di 20 m × 20 m, corrispondenti ad altrettante aree di saggio. Di ciascun punto è stata ottenuta l’al- tezza delle chiome, con un procedimento analogo a quello seguito per l’estrazione del modello digitale delle chiome, estraendo però punti singoli e non un modello già interpolato (§ 6.4.3).

Le nuvole di punti così estratte sono state processate tramite il software R (R Core Team 2015). Per ognuna sono stati creati dei grafici descrittivi relativi alla struttura tridimensionale della vegetazione e alla distribuzione verticale dei ritorni. In seguito, sulle nuvole di punti sono stati calcolati alcuni parametri strutturali relativi ad altezza della vegetazione, copertura, distribuzione delle altezze e strut- tura verticale (Tabella 6.2). Tali parametri sono utilizzati a scopo esemplificativo in questo studio, in quanto è stata dimostrata la loro validità nel descrivere indiret- tamente la distribuzione di alcune specie animali e le loro relazioni con particolari tipi di habitat (Vogeler et al. 2014, Coops et al. 2016, Guo et al. 2017).

Parametro Descrizione

Copertura Copertura dei primi ritorni (h > 1,3 m) Altezza massima Altezza del ritorno più alto

Deviazione standard

delle altezze Deviazione standard delle altezze dei ritorni Copertura

a diverse altezze

1,3-5 m Copertura dei primi ritorni con h tra 1,3 e 5 m 5-10 m Copertura dei primi ritorni con h tra 5 e 10 m 10-25 m Copertura dei primi ritorni con h tra 10 e 25 m

Tabella 6.2. Parametri di struttura delle chiome arboree ricavati dal LiDAR (h = altezza).